編碼

將類別變數轉換為數值格式，以便機器學習演算法處理。

背景說明

多數合成演算法僅支援數值型欄位的合成，即使直接支援類別欄位合成，也通常涉及合成器本身內建的前處理與後處理還原轉換。而 CAPE 團隊正是希望控制這些第三方套件不可預期的行為而設計了 PETsARD。

PETsARD 建議對於任何包含類別變項的欄位，都應主動進行編碼處理：

• 類別變項：預設使用均勻編碼（Uniform Encoding）
• 技術細節參見 Datacebo 官方文件中的均勻編碼

使用範例

請點擊下方按鈕在 Colab 中執行完整範例：

注意：使用 Colab 請參考執行環境設定。

自訂特定欄位的編碼

---
Loader:
  load_benchmark_with_schema:
    filepath: benchmark://adult-income
    schema: benchmark://adult-income_schema

Preprocessor:
  encoding-specific:
    sequence:
      - encoder
    config:
      encoder:
        gender: 'encoder_onehot'          # 獨熱編碼
        education: 'encoder_label'        # 標籤編碼
        native-country: 'encoder_uniform' # 均勻編碼
        income: None                      # 不編碼

Reporter:
  save_data:
    method: save_data
    source:
      - Preprocessor
  save_schema:
    method: save_schema
    source:
      - Loader
      - Preprocessor
...

時間編碼：日期差異計算

---
Loader:
  load_benchmark_with_schema:
    filepath: benchmark://best-practices_multi-table

Preprocessor:
  date_diff:
    sequence:
      - encoder
    config:
      encoder:
        first_apply_apply_date:
          method: 'encoder_datediff'
          baseline_date: 'established_date' # 基準日期欄位
          diff_unit: 'days'                 # 差異單位：days/weeks/months/years

Reporter:
  save_data:
    method: save_data
    source:
      - Preprocessor
  save_schema:
    method: save_schema
    source:
      - Loader
      - Preprocessor
...

可用的處理器

處理器詳細說明

encoder_uniform

均勻編碼：依照類別出現頻率分配數值範圍。

特性：

• 保留類別的頻率資訊
• 輸出為連續值（0.0 到 1.0 之間）
• 高頻類別獲得較大的數值範圍

編碼示例：

原始資料：['high', 'low', 'medium', 'low', 'low']
頻率：low(60%), medium(20%), high(20%)

編碼結果：
- low → 0.0-0.6 的隨機值
- medium → 0.6-0.8 的隨機值
- high → 0.8-1.0 的隨機值

encoder_label

標籤編碼：將類別映射到連續整數。

特性：

• 簡單直接的映射
• 輸出為整數（0, 1, 2, …）
• 不保留類別間的順序關係

編碼示例：

原始資料：['Male', 'Female', 'Male', 'Other']

編碼結果：
- Male → 0
- Female → 1
- Other → 2

encoder_onehot

獨熱編碼：為每個類別創建獨立的二元欄位。

特性：

• 每個類別變成一個新欄位
• 輸出為多個欄位（0 或 1）
• 不假設類別間有順序關係

編碼示例：

原始資料：['Red', 'Blue', 'Red', 'Green']

編碼結果（3個新欄位）：
| color_Red | color_Blue | color_Green |
|-----------|------------|-------------|
|     1     |      0     |      0      |
|     0     |      1     |      0      |
|     1     |      0     |      0      |
|     0     |      0     |      1      |

encoder_datediff

日期差異計算：計算目標日期與基準日期的時間差。

參數：

• baseline_date (str, 必要)：基準日期欄位名稱
• diff_unit (str, 選用)：時間差單位
  • 'days'：天（預設）
  • 'weeks'：週
  • 'months'：月
  • 'years'：年
• absolute_value (bool, 選用)：是否取絕對值
  • 預設：False

特性：

• 將絕對時間轉為相對時間
• 適合處理時間序列資料
• 需要指定基準日期欄位

處理邏輯

類別編碼（Uniform/Label/OneHot）

• 訓練階段（fit）：學習類別映射規則
• 轉換階段（transform）：依映射規則將類別轉為數值
• 還原階段（inverse_transform）：依映射規則將數值還原為類別

日期差異計算（DateDiff）

• 訓練階段（fit）：記錄基準日期欄位
• 轉換階段（transform）：計算與基準日期的差值
• 還原階段（inverse_transform）：從差值還原為絕對日期

預設行為

不同資料類型的預設編碼：

編碼方法比較

注意事項

• OneHot 欄位數量：會依類別數量產生多個新欄位
• 高基數問題：類別數量過多時避免使用 OneHot
• 編碼順序：建議在離群值處理之後、縮放之前執行
• 時間錨點：encoder_datediff 適合處理相對時間關係
• 還原精確度：Uniform 編碼還原時可能有輕微誤差
• 與 discretizing 互斥：不能同時使用 encoder 和 discretizing